IA na programação: o que estudos realmente revelam?

IA na programação: o que 5 estudos científicos realmente revelam? Neste vídeo, analiso 5 artigos e pesquisas reais sobre o uso de agentes de IA (LLMs) no desenvolvimento de software. Mostro os pontos fortes que realmente aceleram o time, mas também exponho os pontos fracos que poucos estão falando — e que podem estar gerando um estrago silencioso no seu código. O que a ciência descobriu sobre IA e Devs? PONTOS FORTES (O que funciona): Onboarding acelerado para juniores e estagiários Agilidade em tarefas repetitivas, scaffolding e debug Documentação gerada automaticamente Menos tempo perdido em fóruns como Stack Overflow PONTOS FRACOS (Os perigos): Dependência excessiva: juniores confiam cegamente na IA Débito técnico acelerado: código gerado sem testes vira legado em semanas O problema nº1: escopo mal definido — a IA "toca o barco" sozinha e entrega errado Enfraquecimento do time: menos pair programming e compartilhamento de conhecimento Perda da habilidade de resolver erros "do zero" (o fim do Stack Overflow tem um preço) A GRANDE CONCLUSÃO DOS ESTUDOS: Velocidade sozinha não basta. Sem um humano avaliando escopo, revisando código e testando, a IA deixa de ser solução e vira um risco real para a qualidade do software. ARTIGOS CIENTÍFICOS CITADOS NESTE VÍDEO: Changes in Coding Behavior and Performance Since the Introduction of LLMs (2026) Autores: Yufan Zhang, Jaromir Savelka, Seth Copen Goldstein, Michael Conway "My productivity is boosted, but ..." Demystifying Users' Perception on AI Coding Assistants (2025) Autores: Yunbo Lyu, Jieke Shi, Yue Liu, David Lo, Zhou Yang, Jianming Chang Generative AI and labour productivity: a field experiment on coding (2024) Autores: Leonardo Gambacorta, Han Qiu, Shuo Shan, Daniel M. Rees Human-AI Collaboration in Software Teams: Evaluating Productivity, Quality, and Knowledge Transfer with Agentic and LLM-Based Tools (2026) Autor: Ravikanth Kond